論文の概要: Zoom-to-Inpaint: Image Inpainting with High-Frequency Details
- arxiv url: http://arxiv.org/abs/2012.09401v2
- Date: Mon, 12 Apr 2021 01:40:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-02 07:27:26.621056
- Title: Zoom-to-Inpaint: Image Inpainting with High-Frequency Details
- Title(参考訳): Zoom-to-Inpaint:高頻度詳細画像インペインティング
- Authors: Soo Ye Kim, Kfir Aberman, Nori Kanazawa, Rahul Garg, Neal Wadhwa,
Huiwen Chang, Nikhil Karnad, Munchurl Kim, Orly Liba
- Abstract要約: 高分解能で精錬し、出力を元の解像度に縮小する超解像法を提案します。
精細化ネットワークに高精細画像を導入することで、スペクトルバイアスによって通常滑らかになる細部を再構築することができる。
当社のズームイン、精緻化、ズームアウト戦略は、高解像度の監視とプログレッシブラーニングと組み合わせることで、高周波の詳細を高めるためのフレームワークに依存しないアプローチを構成します。
- 参考スコア(独自算出の注目度): 39.582275854002994
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Although deep learning has enabled a huge leap forward in image inpainting,
current methods are often unable to synthesize realistic high-frequency
details. In this paper, we propose applying super-resolution to coarsely
reconstructed outputs, refining them at high resolution, and then downscaling
the output to the original resolution. By introducing high-resolution images to
the refinement network, our framework is able to reconstruct finer details that
are usually smoothed out due to spectral bias - the tendency of neural networks
to reconstruct low frequencies better than high frequencies. To assist training
the refinement network on large upscaled holes, we propose a progressive
learning technique in which the size of the missing regions increases as
training progresses. Our zoom-in, refine and zoom-out strategy, combined with
high-resolution supervision and progressive learning, constitutes a
framework-agnostic approach for enhancing high-frequency details that can be
applied to any CNN-based inpainting method. We provide qualitative and
quantitative evaluations along with an ablation analysis to show the
effectiveness of our approach. This seemingly simple, yet powerful approach,
outperforms state-of-the-art inpainting methods.
- Abstract(参考訳): 深層学習は画像の描画において飛躍的な進歩をもたらしたが、現在の手法では現実的な高周波の詳細を合成できないことが多い。
本稿では,大まかに再構成された出力に超解像を適用し,高分解能で精製し,出力を元の解像度にダウンスケールする手法を提案する。
精細化ネットワークに高解像度の画像を導入することで、我々のフレームワークは、スペクトルバイアスによって通常滑らかにされる細部を再構築することができる。
本研究では,大規模ホールにおける改良ネットワークの訓練を支援するため,訓練が進むにつれて欠落領域の大きさが増加するプログレッシブ・ラーニング手法を提案する。
当社のズームイン,精製,ズームアウト戦略は,高分解能の監督とプログレッシブ・ラーニングと相まって,任意のcnnベースのインペインティング法に適用可能な高周波詳細化のためのフレームワークに依存しないアプローチを構成する。
本手法の有効性を示すために, 定性的, 定量的評価とアブレーション解析を行った。
この一見シンプルで強力なアプローチは、最先端の塗装方法より優れている。
関連論文リスト
- Research on Image Super-Resolution Reconstruction Mechanism based on Convolutional Neural Network [8.739451985459638]
超解像アルゴリズムは、同一シーンから撮影された1つ以上の低解像度画像を高解像度画像に変換する。
再構成過程における画像の特徴抽出と非線形マッピング手法は,既存のアルゴリズムでは依然として困難である。
目的は、高解像度の画像から高品質で高解像度の画像を復元することである。
論文 参考訳(メタデータ) (2024-07-18T06:50:39Z) - FouriScale: A Frequency Perspective on Training-Free High-Resolution Image Synthesis [48.9652334528436]
本稿では、周波数領域解析の観点から、FouriScaleの革新的な学習不要アプローチを紹介する。
従来の拡散モデルの畳み込み層を,低域演算とともに拡張手法を組み込むことで置き換える。
提案手法は, 生成画像の構造的整合性と忠実度をバランスさせ, 任意のサイズ, 高解像度, 高品質な生成の驚くべき能力を実現する。
論文 参考訳(メタデータ) (2024-03-19T17:59:33Z) - High-Frequency aware Perceptual Image Enhancement [0.08460698440162888]
マルチスケール解析に適した新しいディープニューラルネットワークを導入し,効率的なモデルに依存しない手法を提案する。
本モデルは,デノイング,デブロアリング,単一画像超解像などのマルチスケール画像強調問題に適用できる。
論文 参考訳(メタデータ) (2021-05-25T07:33:14Z) - DWDN: Deep Wiener Deconvolution Network for Non-Blind Image Deblurring [66.91879314310842]
本稿では,古典的なWienerデコンボリューションフレームワークを学習深い特徴と統合することにより,特徴空間における明示的なデコンボリューションプロセスを提案する。
マルチスケールのカスケード機能改善モジュールは、分離された深い特徴から退色画像を予測する。
提案したDeep Wienerデコンボリューションネットワークは,目に見える成果物が少なく,かつ,最先端の非盲点画像デコンボリューション手法を広いマージンで定量的に上回っていることを示す。
論文 参考訳(メタデータ) (2021-03-18T00:38:11Z) - Interpretable Detail-Fidelity Attention Network for Single Image
Super-Resolution [89.1947690981471]
本研究では,スムースとディテールを段階的に分割・収束的に処理する,目的・解釈可能なディテール・ファイダリティ・アテンション・ネットワークを提案する。
特に,詳細推論において顕著な解釈可能な特徴表現のためのヘシアンフィルタを提案する。
実験により,提案手法は最先端手法よりも優れた性能を示すことが示された。
論文 参考訳(メタデータ) (2020-09-28T08:31:23Z) - Burst Photography for Learning to Enhance Extremely Dark Images [19.85860245798819]
本稿では,超暗い原画像からよりシャープで高精度なRGB画像を得るため,バースト撮影を活用することを目的とする。
提案するフレームワークのバックボーンは,高品質な出力を段階的に生成する,粗大なネットワークアーキテクチャである。
実験により,本手法は,より詳細で高画質な画像を生成することによって,最先端の手法よりも知覚的により満足な結果をもたらすことが示された。
論文 参考訳(メタデータ) (2020-06-17T13:19:07Z) - Burst Denoising of Dark Images [19.85860245798819]
超暗い生画像からクリーンでカラフルなRGB画像を得るためのディープラーニングフレームワークを提案する。
我々のフレームワークのバックボーンは、プログレッシブな方法で高品質な出力を生成する新しい粗いネットワークアーキテクチャである。
実験により,提案手法は最先端の手法よりも知覚的により満足な結果をもたらすことが示された。
論文 参考訳(メタデータ) (2020-03-17T17:17:36Z) - Stochastic Frequency Masking to Improve Super-Resolution and Denoising
Networks [20.23203428843382]
超解像におけるカーネルオーバーフィッティングの周波数領域における解析について述べる。
本稿では,トレーニングに使用される画像の周波数マスキングを提案し,ネットワークを正規化し,過度に適合する問題に対処する。
本手法は, 異なる合成カーネル, 実超解像, ブラインド・ガウス・デノナイジング, 実像デノナイジングによるブラインド・スーパーレゾリューションの最先端手法を改善する。
論文 参考訳(メタデータ) (2020-03-16T11:21:20Z) - Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。
ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。
提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
論文 参考訳(メタデータ) (2020-03-15T11:04:30Z) - Learning End-to-End Lossy Image Compression: A Benchmark [90.35363142246806]
まず,学習した画像の圧縮方法に関する総合的な文献調査を行う。
本稿では,最先端の学習画像圧縮手法のマイルストーンについて述べるとともに,既存の幅広い作品について概観し,その歴史的開発ルートについて考察する。
エントロピー推定と信号再構成のための粗大な超高次モデルを導入することにより、速度歪み性能の向上を実現する。
論文 参考訳(メタデータ) (2020-02-10T13:13:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。